數(shù)字圖像取證技術(shù)研究進(jìn)展綜述

郭 欣 孫建德

(1)中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院，100872，北京； 2)山東師范大學(xué)信息科學(xué)與工程學(xué)院，250358，濟(jì)南 )

1 引 言

自從發(fā)明了成像設(shè)備，人們便可記錄很多事情發(fā)生的瞬間，圖像在提供證據(jù)和支撐歷史紀(jì)錄等方面得到了越來(lái)越廣泛的應(yīng)用，例如：新聞報(bào)道、刑事調(diào)查、法庭辯護(hù)等方面，因此，照片的真實(shí)性至關(guān)重要.然而，隨著圖像處理軟件、程序方法的快速發(fā)展，圖像的處理變得越來(lái)越簡(jiǎn)單且多樣化，出現(xiàn)了大量的偽造圖像.

在圖像處理技術(shù)尚沒(méi)高度發(fā)達(dá)的時(shí)候，人們對(duì)數(shù)字圖像的篡改大多是通過(guò)圖像的復(fù)制-移動(dòng)、剪切-拼接等操作來(lái)進(jìn)行，這些操作也會(huì)產(chǎn)生人眼無(wú)法識(shí)別的篡改圖像.近幾年來(lái)，隨著AI(Artifical Intelligence)技術(shù)的飛速發(fā)展，圖像篡改的技術(shù)越來(lái)越高超，可以由噪聲生成不存在的圖像，也可以根據(jù)自己想要的效果對(duì)圖像的某個(gè)部位進(jìn)行偽造，出現(xiàn)了越來(lái)越多的篡改圖像.2017年，“Deepfake”(深度換臉技術(shù))一詞風(fēng)行全球，并取得了非常逼真的效果，給政治界、娛樂(lè)圈以及人們的日常生活帶來(lái)了很大的影響.如圖1所示，“Deepfake”把希拉里·克林頓換成了美國(guó)總統(tǒng)特朗普的樣子，并且可以完美地實(shí)現(xiàn)動(dòng)態(tài)視頻中的“表情變化”.在圖像生成方面，生成的圖像質(zhì)量也越來(lái)越高.2018年，Huang H等人[1]提出了IntroVAE模型，能夠生成1 024×1 024高分辨率的自然圖像；2018年，Deep Mind公司[2]提出了基于ImageNet的BigGANs模型生成高分辨率、逼真的自然圖像(如圖2所示)，可以生成非常清晰的多種類圖像.由此可見，圖像的篡改技術(shù)越來(lái)越高明，由起初對(duì)圖像的小修小改到現(xiàn)在輸入噪音生成不存在的圖像或視頻，給人們研究圖像的真實(shí)性帶來(lái)了更大的挑戰(zhàn).

圖1 Deepfake 偽造的視頻截圖

圖2 BigCANs生成的圖像

為了應(yīng)對(duì)上述問(wèn)題，數(shù)字圖像取證技術(shù)成為研究的熱點(diǎn)問(wèn)題，是檢測(cè)圖像是否被篡改的主要方法[3-5].數(shù)字圖像取證技術(shù)可以分析數(shù)字圖像的某些特性，因此可以用于識(shí)別、鑒定數(shù)字圖像是否被篡改，保證數(shù)字圖像內(nèi)容的完整性、真實(shí)性和原始性[6].研究人員通過(guò)提取圖像的各類統(tǒng)計(jì)特征，或者是相機(jī)的一些成像函數(shù)特征，將自然圖像和篡改圖像進(jìn)行區(qū)分，實(shí)現(xiàn)篡改圖像的檢測(cè).這種傳統(tǒng)的圖像取證技術(shù)能夠?qū)崿F(xiàn)的精度比較高，但是產(chǎn)生了高計(jì)算成本以及人工操作的成本.隨著深度學(xué)習(xí)方法的發(fā)展，研究人員將卷積神經(jīng)網(wǎng)絡(luò)(CNN,Convolution Neural Networks)用于圖像取證技術(shù)，能夠提取圖像更多的特征，高效地完成偽造檢測(cè).

本文致力于數(shù)字圖像取證技術(shù)的研究，將對(duì)數(shù)字圖像取證技術(shù)做出介紹，并從傳統(tǒng)圖像取證技術(shù)和基于深度學(xué)習(xí)的圖像取證技術(shù)兩個(gè)方向?qū)鼛啄陙?lái)圖像被動(dòng)取證方面的主要進(jìn)展做出綜述，對(duì)經(jīng)典的圖像取證方法進(jìn)行分析研究，概括現(xiàn)在圖像取證技術(shù)依然存在的挑戰(zhàn)，預(yù)測(cè)未來(lái)圖像取證技術(shù)可能的發(fā)展方向.

2 數(shù)字圖像取證技術(shù)的定義

數(shù)字圖像取證技術(shù)(Digital Image Forensics)，是通過(guò)對(duì)圖像統(tǒng)計(jì)特性的分析來(lái)判斷圖像內(nèi)容的真實(shí)性、完整性和原始性，也就是判斷數(shù)字圖像從被數(shù)碼相機(jī)拍攝以后有沒(méi)有經(jīng)過(guò)篡改的技術(shù)[7].它的出發(fā)點(diǎn)是通過(guò)提取數(shù)字圖像周期中留下的固有痕跡進(jìn)行分析，判斷數(shù)字圖像的操作歷史.數(shù)字圖像取證技術(shù)用來(lái)檢測(cè)數(shù)字圖像的真實(shí)性，根據(jù)主要的解決思路，可以分為主動(dòng)取證技術(shù)和被動(dòng)取證技術(shù)[8].

主動(dòng)取證技術(shù)是將識(shí)別的信息嵌入到數(shù)字圖像中，然后再提取識(shí)別信息，將提取出的信息與原先嵌入的信息進(jìn)行比較，從而鑒別圖像是否真實(shí)和完整，如數(shù)字水印技術(shù)(Digital Watermarking)，是事先在圖像的空域或者頻域中嵌入易碎的水印信息，圖像經(jīng)過(guò)傳輸后再提取水印信息，通過(guò)判斷水印信息是否完整來(lái)判斷圖像是否被篡改[7].

被動(dòng)取證技術(shù)，又稱為盲取證技術(shù)，不需要圖像的先驗(yàn)信息，也不需要發(fā)送端對(duì)圖像進(jìn)行操作，僅僅利用接收到的圖像來(lái)判斷其真實(shí)性或完整性.被動(dòng)取證技術(shù)認(rèn)為，盡管人眼無(wú)法識(shí)別出圖像偽造的痕跡，但是圖像的基本統(tǒng)計(jì)特性和一致性會(huì)被篡改操作影響，引起自然圖像各種形式的不一致性.因此，可以利用這些不一致性，通過(guò)學(xué)習(xí)分析識(shí)別圖像的篡改痕跡以及對(duì)這些篡改進(jìn)行定位.

對(duì)偽造的數(shù)字圖像進(jìn)行被動(dòng)檢測(cè)可以看成一個(gè)二分類問(wèn)題，將被檢測(cè)的圖像分為兩類：真實(shí)圖像或偽造圖像.盲取證過(guò)程(如圖3所示)可以由以下幾個(gè)步驟組成：

圖3 被動(dòng)取證技術(shù)過(guò)程圖

1) 圖像預(yù)處理：對(duì)圖像進(jìn)行一些預(yù)處理操作提高檢測(cè)的準(zhǔn)確率，如，灰度圖轉(zhuǎn)換、離散余弦變換等，這一步不是必須的操作.

2) 特征提取與處理：對(duì)(處理后)圖像進(jìn)行特征提取，對(duì)原始圖像和篡改后的圖像分別提取特征，提取的特征要對(duì)篡改操作非常敏感且能夠有效地區(qū)分原始圖像和偽造圖像.如果提取的特征維度較大，可以對(duì)特征進(jìn)行降維處理，這樣可以在準(zhǔn)確率高的同時(shí)達(dá)到降低計(jì)算成本的目的.

3) 訓(xùn)練分類器：利用處理好的特征，可以對(duì)分類器進(jìn)行訓(xùn)練.

4) 分類與后處理：將要檢測(cè)的圖像，也像訓(xùn)練圖像一樣執(zhí)行1)、2)步操作，然后將得到的特征輸入到分類器中，判斷圖像是自然圖像還是偽造圖像，根據(jù)判斷結(jié)果可以對(duì)圖像進(jìn)行一些后續(xù)處理，如，篡改定位等操作.

3 基于內(nèi)在一致性的傳統(tǒng)圖像取證技術(shù)

基于內(nèi)在一致性的傳統(tǒng)數(shù)字圖像取證技術(shù)主要是對(duì)圖像提取不同的特征，然后用這些特征訓(xùn)練分類模型，實(shí)現(xiàn)對(duì)被檢測(cè)圖像的分類.常常被考慮到的內(nèi)在一致性主要包含：光學(xué)規(guī)律的一致性、傳感器規(guī)律一致性、圖像篡改時(shí)的痕跡所做以及統(tǒng)計(jì)特征的一致性.

3.1光學(xué)規(guī)律一致性數(shù)字圖像取證技術(shù)利用光學(xué)規(guī)律主要體現(xiàn)在利用光照的一致性或圖像的色差來(lái)完成.對(duì)一張圖像進(jìn)行修改后，很難準(zhǔn)確地匹配原始圖像的光照條件，圖4是由電影明星Cher和Brad Pitt的兩張個(gè)人圖像合成的圖像[9]，Cher拍照時(shí)的光源方向是不確定的，而Pitt拍照時(shí)的光源方向位于他的左側(cè)，由此可以判斷這是一幅偽造圖像.因此，光照的不一致性可以成為檢測(cè)圖像是否被篡改的工具.

圖4 電影明星Cher和Brad Pitt的合成圖像

近年來(lái)，有很多檢測(cè)工作是利用光源的方向進(jìn)行的.Micah K Johnson等人[9]認(rèn)為，只要能夠估計(jì)出一幅圖像中不同的人或者物體的光源方向，則可以根據(jù)光源一致性來(lái)判斷該圖像是否為偽造圖像.因此，他們提出了一種使用單張圖像估計(jì)光源方向的方法，在P Nillius等人[10]提出的對(duì)于光源方向自動(dòng)預(yù)測(cè)的模型的基礎(chǔ)上，將模型的一些必須假設(shè)放寬松，對(duì)物體對(duì)光線的反射進(jìn)行分析，并且添加了周圍環(huán)境因素對(duì)于光線的影響，提出了更一般的光源方向預(yù)測(cè)模型.同時(shí)，他們考慮了3-D光源與2-D光源、整體光源與局部光源的情況，取得了不錯(cuò)的實(shí)驗(yàn)效果.這個(gè)方法可以適用于任何圖像確定其光源方向，但是只能在一定模糊度內(nèi)確定光源的方向.

Micah K Johnson等人[11]在另一個(gè)工作中提出，場(chǎng)景中的光源會(huì)在眼睛上產(chǎn)生高光，可以借助眼睛中高光的位置判斷光源的3-D方向.高光的位置由光源、反射面以及觀察者(或相機(jī))的相對(duì)位置決定的.當(dāng)觀察者的方向?yàn)楦吖饽鼙豢吹降姆较驎r(shí)，可以從眼睛高光處的表面反射法線和觀察者的方向估計(jì)出光源的方向.判斷出光源的方向后，就可以用來(lái)檢測(cè)圖像是否是偽造圖像.由于這個(gè)方法是從眼睛中高光來(lái)判斷光源方向的，因此只能用于眼睛分辨率比較高的圖像，存在一定的局限性.

上面這兩種方法對(duì)單一光源為主的圖像判斷非常有效，但是不適用于包含多個(gè)光源或非定向照明的復(fù)雜照明環(huán)境(如陰天的天空).Micah K Johnson等人[12]提出了在復(fù)雜的照明環(huán)境中使用光照不一致性檢測(cè)篡改的方法.基于照明是遠(yuǎn)距離的、拍攝場(chǎng)景中的表面是凸的、表面的反射率是恒定的以及相機(jī)的響應(yīng)是線性的假設(shè)，他們利用Ravi Ramamoorthi等人[13]的工作，將復(fù)雜的光照環(huán)境進(jìn)化成一個(gè)低維模型(9-D)，并且刻畫了如何從單個(gè)圖像估計(jì)模型中參數(shù)的方法以及如何簡(jiǎn)化成5-D模型.然而，不同的光照環(huán)境有時(shí)會(huì)產(chǎn)生近似的模型系數(shù)，此時(shí)，模型無(wú)法區(qū)分光照差異.

除了利用光源方向，圖像的色差也可用于檢測(cè)偽造圖像.橫向色差在一階近似下表示為彩色通道相對(duì)于其它通道的膨脹/收縮，在對(duì)圖像進(jìn)行篡改時(shí)，橫向色差經(jīng)常受到干擾，不能保持一致性.Micah K Johnson等人[14]分析了色差產(chǎn)生的原因，并對(duì)色差的產(chǎn)生建立模型，同時(shí)考慮了1-D成像系統(tǒng)和2-D成像系統(tǒng)，然后利用最大化顏色通道之間的相互信息算法對(duì)色差進(jìn)行估計(jì)，使用估計(jì)得到的色差計(jì)算其一致性，對(duì)偽造圖像進(jìn)行檢測(cè).

3.2傳感器規(guī)律一致性基于傳感器特性的數(shù)字圖像取證技術(shù)主要檢測(cè)相機(jī)模式噪聲的存在.相機(jī)模式噪聲是成像傳感器中的一個(gè)隨機(jī)特征，而在偽造的圖像區(qū)域是沒(méi)有這種模式噪聲的，并且對(duì)于被抑制的噪聲缺少合理的解釋，因此，相機(jī)的模式噪聲可以用來(lái)檢測(cè)偽造圖像.

Jan Luká?等人[15]在假設(shè)拍攝圖像的相機(jī)可用或由該相機(jī)拍攝的其它圖像可以獲得的情況下，提出了基于相機(jī)模式噪聲的偽造數(shù)字圖像檢測(cè)方法.他們主要回顧了模式噪聲的特性和近似求解方法，對(duì)于給定的相機(jī)，通過(guò)對(duì)由此相機(jī)拍攝的多幅圖像求平均得到相機(jī)的模式噪聲參考值.對(duì)于給定的檢測(cè)圖像，為了確定其選中區(qū)域是否與相機(jī)模式噪聲兼容，首先計(jì)算該區(qū)域的噪聲殘差與相機(jī)參考模式的相關(guān)性，在相關(guān)性超過(guò)閾值時(shí)，說(shuō)明該區(qū)域是被篡改的.除此之外，他們還介紹了一種偽造區(qū)域的自動(dòng)識(shí)別算法，偽造區(qū)域被確定為一幅圖像中模式噪聲最低的區(qū)域.通過(guò)在一幅圖像中滑動(dòng)一組不同的基本形狀，計(jì)算每個(gè)形狀之間噪聲的相關(guān)性，積累最低的相關(guān)值，判斷偽造區(qū)域.這個(gè)方法適用于任何的偽造方法，但是也存在一定的局限性，因?yàn)樗竽軌蛴泻蜋z測(cè)圖像同相機(jī)拍攝的照片.

Chen Mo等人[16]提出了一個(gè)統(tǒng)一的框架，用于從圖像中識(shí)別源數(shù)碼相機(jī)，并使用光響應(yīng)非均勻噪聲(PRNU，Photo Response Non-uniformity)來(lái)顯示經(jīng)過(guò)處理的圖像.從傳感器輸出的簡(jiǎn)化模型出發(fā)，利用最大似然原理，估計(jì)PRNU，然后通過(guò)檢測(cè)所研究圖像的特定區(qū)域中的傳感器PRNU的存在來(lái)實(shí)現(xiàn)識(shí)別源數(shù)碼相機(jī)以及檢測(cè)偽造兩個(gè)取證任務(wù).檢測(cè)被公式化為假設(shè)檢驗(yàn)問(wèn)題，是使用小圖像塊的測(cè)試統(tǒng)計(jì)的預(yù)測(cè)器獲得最佳測(cè)試統(tǒng)計(jì)的統(tǒng)計(jì)分布.此方法是在Jan Luká?等人的工作[15]的基礎(chǔ)上提出來(lái)的，能夠使用更少的數(shù)據(jù)獲得更準(zhǔn)確度估計(jì).

3.3圖像篡改痕跡或生成痕跡人們對(duì)圖像進(jìn)行篡改時(shí)，通常會(huì)留下各種人眼不可見的內(nèi)在篡改痕跡，因此，有很多研究工作通過(guò)檢測(cè)這些痕跡對(duì)圖像進(jìn)行篡改檢測(cè).通常這類篡改檢測(cè)方法包括對(duì)解碼、白平衡以及伽馬校正的檢測(cè).當(dāng)圖像成像時(shí)，也會(huì)有很多相機(jī)產(chǎn)生的痕跡，如果對(duì)圖像進(jìn)行篡改，這些痕跡是不存在的或者比較弱，因此也可使用這些痕跡對(duì)偽造圖像 進(jìn)行檢測(cè).

基于這樣一個(gè)事實(shí)，即通常一個(gè)圖像的篡改操作會(huì)以一種可測(cè)量的方式改變相機(jī)顏色濾波陣列(CFA,Color Filter Array)的解碼工件，缺少CFA工件或檢測(cè)到較弱的CFA工件可能表明存在全局或局部篡改.Ahmet EmirDirik等人[17]提出了一種基于CFA解碼的篡改檢測(cè)技術(shù)，通過(guò)對(duì)CFA模式數(shù)估計(jì)和CFA噪聲的分析，將計(jì)算出來(lái)的結(jié)果與一個(gè)經(jīng)驗(yàn)閾值進(jìn)行比較，確定圖像是否被篡改.

Ashwin Swaminathan等人[18]提出了一種基于內(nèi)在指紋的圖像取證技術(shù)，內(nèi)在指紋是指各種圖像處理操作，包括內(nèi)部和外部采集設(shè)備，在數(shù)字圖像上留下的痕跡.他們通過(guò)對(duì)相機(jī)模型及其組成分析，估計(jì)出各種相機(jī)內(nèi)處理操作的內(nèi)在指紋.將相機(jī)捕獲的圖像進(jìn)一步處理建模為操作濾波器，采用盲反卷積技術(shù)獲得線性時(shí)不變估計(jì)，并估計(jì)與這些后置相機(jī)操作相關(guān)的內(nèi)在指紋.通過(guò)對(duì)被檢測(cè)的圖像進(jìn)行分析，與相機(jī)施加的指紋出現(xiàn)變化或者不一致，或出現(xiàn)了新的類型的指紋，表明圖像經(jīng)過(guò)了篡改.

大多數(shù)數(shù)碼相機(jī)使用一個(gè)傳感器和一個(gè)顏色濾波陣列，然后插值缺失的顏色樣本，得到一個(gè)三通倒的彩色圖像.這種插值引入了特定的相關(guān)性，當(dāng)對(duì)圖像進(jìn)行篡改時(shí)，這些相關(guān)性很可能被破壞.Alin C Popescu and Hany Farid[19]量化了CFA插值引入的特定關(guān)聯(lián)，并通過(guò)構(gòu)建算法能夠在圖像的任何部分自動(dòng)檢測(cè)到這些關(guān)聯(lián)，如果一幅圖像被檢測(cè)到缺失這些關(guān)聯(lián)，則是被篡改的圖像.

3.4統(tǒng)計(jì)特征一致性篡改圖像和原始圖像的統(tǒng)計(jì)特征是存在差異的，基于統(tǒng)計(jì)特征的圖像取證技術(shù)是對(duì)兩種不同的圖像進(jìn)行特征提取，然后用提取到的特征訓(xùn)練分類器，對(duì)測(cè)試圖像進(jìn)行檢測(cè).

Wang Wei等人[20]提出了一種從圖像的色度通道進(jìn)行邊緣信息的提取，建模為一個(gè)有限狀態(tài)的馬爾可夫鏈，從馬爾可夫鏈的平穩(wěn)分布中提取低維特征向量用于圖像篡改檢測(cè).首先通過(guò)一個(gè)掩模與圖像的色度分量進(jìn)行卷積得到此色度分量的邊緣圖像，然后對(duì)此邊緣圖像進(jìn)行閾值化，得到閾值化后的邊緣圖像.由于此圖像的像素值為0-T之間的整數(shù)，因此可以建模為有限狀態(tài)的馬爾可夫鏈，隨后用一步轉(zhuǎn)移概率矩陣來(lái)表征此圖像，通過(guò)對(duì)轉(zhuǎn)移概率矩陣進(jìn)行操作，得到馬爾可夫鏈的平穩(wěn)分布，作為特征向量.然后用這些特征向量訓(xùn)練SVM(Support Vector Machines)，進(jìn)行篡改檢測(cè).該方法的優(yōu)點(diǎn)是提取了低維的特征向量，降低了計(jì)算復(fù)雜度.

Hsu Yufeng和Chang Shihfu提出了一種基于圖像中不同區(qū)域相機(jī)特征一致性檢測(cè)的自動(dòng)拼接圖像檢測(cè)方法.首先將測(cè)試圖像分割成不同的區(qū)域，利用平面區(qū)域輻照度點(diǎn)(LPIPs)的幾何不變量，從每個(gè)區(qū)域中估計(jì)一個(gè)相機(jī)響應(yīng)函數(shù)(CRF)，計(jì)算CRF交叉擬合分?jǐn)?shù)和區(qū)域強(qiáng)度特征，訓(xùn)練SVM分類器，用來(lái)確定兩個(gè)區(qū)域之間的邊界劃分是否為真實(shí)的或者拼接的，進(jìn)而判斷整個(gè)圖像是否是被篡改的[21].

Hsu Yufeng等人[22]提出了一個(gè)基于判別隨機(jī)場(chǎng)(DRF,Discriminative Random Fields)的統(tǒng)計(jì)融合框架來(lái)集成適合于篡改檢測(cè)的多個(gè)線索的圖像取證方法.進(jìn)行線索融合檢測(cè)篡改圖像主要有兩方面的優(yōu)勢(shì)：處理不同類型的篡改圖像以及通過(guò)不同模塊的分工合作提高檢測(cè)精度.現(xiàn)有的檢測(cè)方法主要基于檢測(cè)的輸出分為局部真實(shí)性檢測(cè)和空間不一致性檢測(cè).本文以雙量化(DQ,Double Quantization)作為局部真實(shí)性檢測(cè)的線索，以相機(jī)響應(yīng)函數(shù)(CRF,Camera Response Function)作為相鄰區(qū)域一致性檢測(cè)的線索，將兩個(gè)線索的融合看成標(biāo)注問(wèn)題，利用DRF進(jìn)行融合.將圖像劃分為一個(gè)個(gè)8×8的塊，然后將這些塊隨機(jī)劃分為不同的區(qū)域，對(duì)每一個(gè)塊計(jì)算其DQ得分，對(duì)每個(gè)區(qū)域中的塊之間計(jì)算CRF一致性得分，對(duì)不同區(qū)域的塊之間計(jì)算CRF一致性得分，通過(guò)DRF計(jì)算其最大后驗(yàn)概率，來(lái)估計(jì)其相應(yīng)的標(biāo)簽，判斷是否被篡改.

Kaur等人[23]提出了一種無(wú)源混合方法檢測(cè)復(fù)制-移動(dòng)和拼接進(jìn)行的圖像偽造.該方法基于離散分?jǐn)?shù)余弦變換(DFCT,Discrete Fractional Cosine Transform)和局部二值模式(LBP,Local Binary Patterns)實(shí)現(xiàn).其中，離散分?jǐn)?shù)余弦變換的分?jǐn)?shù)參數(shù)可以提高檢測(cè)的精度，局部二值模式可以有效地突出偽影.同時(shí)，利用支持向量機(jī)(SVM)對(duì)圖像進(jìn)行分類，分為真實(shí)圖像、復(fù)制移動(dòng)圖像和拼接圖像.接下來(lái)，對(duì)復(fù)制移動(dòng)圖像和拼接圖像進(jìn)行定位，定位圖像中的篡改區(qū)域.

Shah等人[24]致力于圖像復(fù)制-移動(dòng)偽造檢測(cè)，提出一種有效的檢測(cè)方法.該方法首先將離散小波變換應(yīng)用于輸入圖像，所得到的最低頻率近似子帶被分割成具有固定大小的重疊小塊，滑動(dòng)因子為一個(gè)像素.然后計(jì)算每個(gè)固定大小塊的二維離散余弦變換，然后通過(guò)Zigzag掃描存儲(chǔ)為單行向量，用于偽造檢測(cè).混合變換和快速K-means聚類技術(shù)的使用有助于提高處理速度，減少整體偽造檢測(cè)時(shí)間.

4 基于深度學(xué)習(xí)的圖像取證技術(shù)

隨著深度學(xué)習(xí)的興起，圖像取證方向的研究人員也將目光轉(zhuǎn)移到深度學(xué)習(xí)的方法上[25-28].基于深度學(xué)習(xí)的圖像取證技術(shù)與上文中描述的傳統(tǒng)的圖像取證技術(shù)不同，類似于其它基于深度學(xué)習(xí)算法的任務(wù)，將圖像的特征提取的分類結(jié)合在一起，構(gòu)造一個(gè)統(tǒng)一的網(wǎng)絡(luò)，實(shí)現(xiàn)了end-to-end的圖像取證技術(shù).同時(shí)，也有研究者將深度網(wǎng)絡(luò)與信息論相結(jié)合完成圖像取證工作[29-30].基于深度學(xué)習(xí)的圖像取證領(lǐng)域的研究工作主要涉及到了三個(gè)方面：一是簡(jiǎn)單的遷移；二是對(duì)網(wǎng)絡(luò)輸入進(jìn)行修改；三是對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改.

4.1簡(jiǎn)單的遷移由于圖像取證問(wèn)題可以看成是分類問(wèn)題，因此可以將已經(jīng)在計(jì)算機(jī)視覺(jué)領(lǐng)域經(jīng)常用于分類的卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)直接應(yīng)用于圖像取證領(lǐng)域，這可以看成是對(duì)卷積神經(jīng)網(wǎng)絡(luò)在圖像取證問(wèn)題上的簡(jiǎn)單遷移.相機(jī)源取證是可以解決圖像取證的一個(gè)關(guān)鍵思路，判斷出圖像是否符合某種相機(jī)拍攝的特點(diǎn)，就可以確定圖像是哪款相機(jī)拍攝的，進(jìn)而判斷其是否被偽造.在傳統(tǒng)的方法中，已經(jīng)有根據(jù)不同相機(jī)在管道中留下的特征軌跡對(duì)圖像的相機(jī)源進(jìn)行取證.Luca Baroffio等人[31]首次提出將卷積神經(jīng)網(wǎng)絡(luò)用于判斷圖像相機(jī)源問(wèn)題，與傳統(tǒng)的相機(jī)源取證方法不同，該方法直接從每個(gè)相機(jī)拍攝的大量圖片中學(xué)習(xí)每個(gè)相機(jī)的特征，利用學(xué)習(xí)到的特征對(duì)測(cè)試圖像進(jìn)行分類.他們提出的網(wǎng)絡(luò)結(jié)構(gòu)使用了三個(gè)卷積層和兩個(gè)全連接層，包含了濾波、池化和非線性激活等一系列簡(jiǎn)單的操作，對(duì)于27種相機(jī)模型的識(shí)別準(zhǔn)確率均大于94%.

4.2對(duì)網(wǎng)絡(luò)輸入進(jìn)行修改雖然圖像取證問(wèn)題可以看成是分類問(wèn)題，但是它和分類問(wèn)題是有區(qū)別的.由于造假技術(shù)越來(lái)越高超，真?zhèn)螆D像之間的差異越來(lái)越小，多數(shù)情況下是人眼無(wú)法識(shí)別的，如圖5所示，BBC新聞上報(bào)道的伊朗導(dǎo)彈圖片中顯示了四枚，但實(shí)際上只有三枚導(dǎo)彈是真的，其中一枚是通過(guò)其它導(dǎo)彈復(fù)制移動(dòng)過(guò)去的，這是人眼無(wú)法識(shí)別的[32].而對(duì)于計(jì)算機(jī)視覺(jué)領(lǐng)域的分類問(wèn)題，類別之間的差異還是比較明顯的，多數(shù)情況下是人眼可以識(shí)別的.因此，研究人員將計(jì)算機(jī)視覺(jué)領(lǐng)域中用于分類任務(wù)的深度學(xué)習(xí)模型遷移到圖像取證領(lǐng)域時(shí)，通常在模型之前對(duì)網(wǎng)絡(luò)的輸入進(jìn)行處理，以達(dá)到放大類間差異的效果.

圖5 伊朗導(dǎo)彈偽造圖片

Chen Jiansheng和Kang Xiangui等人[37]提出的基于卷積神經(jīng)網(wǎng)絡(luò)的中值濾波取證模型，與傳統(tǒng)的CNN模型不同，這個(gè)CNN框架的第一層為濾波層，將圖像作為輸入，然后輸出其中值濾波殘差(MFR，Median Fitering Residuals)，通過(guò)這步預(yù)處理操作，圖像內(nèi)容被去掉，同時(shí)圖像噪聲信號(hào)也被放大.然后，通過(guò)卷積層和池化層學(xué)習(xí)圖像噪聲的特征表示，最后對(duì)圖像進(jìn)行分類.實(shí)驗(yàn)結(jié)果顯示，該文章中的取證模型取得了顯著的性能改進(jìn)，特別是在復(fù)制粘貼偽造檢測(cè)方面.通過(guò)對(duì)比實(shí)驗(yàn)，添加了濾波層的模型，檢測(cè)結(jié)果優(yōu)于未添加濾波層的模型7.22%.

Paolo Rota等人[34]認(rèn)為，為了能夠直接從數(shù)據(jù)中學(xué)習(xí)到原始圖像和篡改圖像的特征，需要一組一致的標(biāo)記圖像，而很多篡改圖像只是圖像中的小部分被篡改，圖像的其它內(nèi)容會(huì)對(duì)其特征提取產(chǎn)生影響.因此，他們提出了一種基于補(bǔ)丁(Patch)的卷積神經(jīng)網(wǎng)絡(luò)模型去檢測(cè)篡改圖像，對(duì)于篡改的圖像，從篡改區(qū)域的邊界提取Patch，對(duì)于真實(shí)圖像，從圖像中隨機(jī)抽選Patch，使用提出的Patch學(xué)習(xí)特征訓(xùn)練網(wǎng)絡(luò).這種方法不僅使學(xué)習(xí)到的特征更加精確，而且還能達(dá)到擴(kuò)充數(shù)據(jù)集的效果.

Luca Bondi等人[35]基于不同相機(jī)模型在圖像上留下不同的特征痕跡，利用圖像補(bǔ)丁的方法訓(xùn)練CNN模型，進(jìn)行篡改檢測(cè).如果圖像是原始圖像，則所有像素都應(yīng)該被檢測(cè)為一個(gè)設(shè)備的痕跡，如果圖像是偽造的，則可以檢測(cè)到多個(gè)設(shè)備的痕跡.通過(guò)CNN模型學(xué)習(xí)特征后，利用迭代聚類技術(shù)對(duì)這些特征進(jìn)行分析，檢測(cè)圖像是否偽造.

4.3對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改通過(guò)4.2節(jié)的分析，可以看出取證問(wèn)題與分類問(wèn)題存在一定的差異，很多研究人員也意識(shí)到了這些差異，有關(guān)學(xué)者嘗試對(duì)深度學(xué)習(xí)中的模型進(jìn)行修改，結(jié)合圖像取證的實(shí)際問(wèn)題提出相應(yīng)的網(wǎng)絡(luò)模型.

Belhassen Bayar等人[36]提出了一種使用深度學(xué)習(xí)模型檢測(cè)篡改圖像的方法，使用一種新的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，直接從大量的訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)不同操作的不同特性.與以往的學(xué)習(xí)圖像內(nèi)容特征的卷積網(wǎng)絡(luò)不同，在新的模型中，他們開發(fā)了一種新的卷積層，用來(lái)抑制圖像內(nèi)容對(duì)檢測(cè)的影響，并且能夠自適應(yīng)地學(xué)習(xí)篡改操作的特性，而不需要預(yù)先選擇特征或其它的預(yù)處理.通過(guò)對(duì)圖像內(nèi)容的抑制，對(duì)于圖像的篡改檢測(cè)準(zhǔn)確率能達(dá)到99.10%.

Peng Zhou等人[37]提出了一種雙流的Faster Region-CNN網(wǎng)絡(luò)，可以學(xué)習(xí)更豐富的特征，實(shí)現(xiàn)端到端的訓(xùn)練.兩個(gè)特征流之一是RGB流，其目的是從RGB圖像輸入中提取特征，以發(fā)現(xiàn)篡改痕跡，如強(qiáng)度對(duì)比差異、非自然篡改邊界等；另一個(gè)特征流是噪聲流，利用隱寫分析模型中提出的SRM濾波層提取原始圖像和篡改圖像的噪聲特征.然后，通過(guò)一個(gè)雙線性池化層融合這兩種特征，進(jìn)一步合并這兩種特征的空間共現(xiàn).兩種特征融合在一起進(jìn)行篡改檢測(cè)，提高了準(zhǔn)確率，不僅能夠檢測(cè)篡改痕跡，還能夠區(qū)分各種篡改技術(shù).

DariusAfchar等人[38]提出了一種自動(dòng)有效檢測(cè)視頻中人臉偽造的方法，主要是針對(duì)目前偽造視頻的兩種新技術(shù)：Deppfake和Face2Face.他們提出了兩種不同的MesoNet模型，網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積層、最大池化層以及全連接層組成，能夠很好地學(xué)習(xí)圖像的細(xì)觀特性，在Deppfake數(shù)據(jù)集上能夠達(dá)到98%的檢測(cè)準(zhǔn)確率，在Face2Face數(shù)據(jù)集上能夠達(dá)到95%準(zhǔn)確率.

Liu等人[39]的研究不同于以往經(jīng)典的檢測(cè)篡改解決方案，提出一種新型端到端生成對(duì)抗網(wǎng)絡(luò)(CD-GAN)解決圖像的復(fù)制-移動(dòng)偽造檢測(cè)問(wèn)題.該模型不需要具體的提取特征，只需要真實(shí)圖像的樣本和偽造圖像的樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.與傳統(tǒng)的基于卷積神經(jīng)網(wǎng)絡(luò)的偽造檢測(cè)方法對(duì)比，該網(wǎng)絡(luò)的檢測(cè)精度大大提高.

Elaskily等人[40]提出了一種檢測(cè)圖像是否有復(fù)制-移動(dòng)篡改的深度網(wǎng)絡(luò)模型(CMFD).該模型的主要結(jié)構(gòu)為卷積神經(jīng)網(wǎng)絡(luò)(CNN)和卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(CovLSTM).該方法通過(guò)卷積(Convolutions, CNVs)層、ConvLSTM層和pooling層提取圖像特征，然后進(jìn)行特征匹配，檢測(cè)復(fù)制移動(dòng)偽造.

5 展 望

由于深度學(xué)習(xí)的快速發(fā)展以及良好效果的取得，圖像偽造效果也越來(lái)越好，人們也慢慢地把目光轉(zhuǎn)移到對(duì)視頻進(jìn)行篡改.因此，在對(duì)圖像取證提高準(zhǔn)確率的同時(shí)，對(duì)視頻的取證也是一個(gè)有待解決的問(wèn)題.傳統(tǒng)的圖像取證技術(shù)雖然能夠取得不錯(cuò)的效果，但是需要人工操作的地方比較多，而深度學(xué)習(xí)的取證方法能夠?qū)崿F(xiàn)端到端的效果，并且是自動(dòng)提取特征，不需要過(guò)多的人工干預(yù)，在數(shù)據(jù)集充足的情況下，也能取得很好的效果.基于深度學(xué)習(xí)的取證技術(shù)也是未來(lái)的主流研究方向，將傳統(tǒng)方法和深度方法進(jìn)行結(jié)合能否取得更好的效果，也是一個(gè)值得討論的問(wèn)題.

6 結(jié) 語(yǔ)

本文主要介紹了數(shù)字圖像取證技術(shù)，并對(duì)傳統(tǒng)的數(shù)字圖像取證技術(shù)和基于深度學(xué)習(xí)方法的取證技術(shù)分類概述.在傳統(tǒng)的數(shù)字圖像取證方面，本文重點(diǎn)概述了基于光照統(tǒng)一性、傳感器規(guī)律統(tǒng)一性、圖像篡改痕跡或成像痕跡以及統(tǒng)計(jì)特征四個(gè)方面的經(jīng)典方法；在深度學(xué)習(xí)用于圖像取證方面，本文重點(diǎn)從簡(jiǎn)單的模型遷移、對(duì)網(wǎng)絡(luò)輸入層的修改以及對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的修改三個(gè)方面進(jìn)行介紹.由于篡改技術(shù)越來(lái)越高超，對(duì)視頻的篡改檢測(cè)也是取證領(lǐng)域面臨的一大挑戰(zhàn).深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了重大進(jìn)展和良好的效果，基于深度學(xué)習(xí)的圖像取證方法將是主要的研究方向.